Una anticipación precisa de la demanda eléctrica es de crucial importancia para la operación óptima de los sistemas de energía y la gestión efectiva de los mercados energéticos dentro del ámbito de la planificación energética. Este estudio se basa en investigaciones previas centradas en la aplicación de redes neuronales artificiales para lograr una precisa predicción de carga eléctrica. En este documento, se introduce una metodología mejorada, centrada en las redes neuronales LSTM (Long Short-Term Memory) bidireccionales. El objetivo principal de la red LSTM bidireccional propuesta es mejorar el rendimiento predictivo capturando patrones temporales e interdependencias intrincadas dentro de los datos de series temporales. Mientras que las redes neuronales feed-forward convencionales son adecuadas para puntos de datos independientes, los datos de consumo de energía se caracterizan por dependencias secuenciales, lo que hace necesaria la incorporación de conceptos basados en la memoria. El modelo LSTM bidireccional está diseñado para dotar al marco de predicción con la capacidad de asimilar y aprovechar la información de los pasos de tiempo anteriores y futuros. Esta ampliación refuerza significativamente las capacidades predictivas al encapsular la comprensión contextual de los datos. Se realiza una extensa prueba de la red LSTM bidireccional utilizando múltiples conjuntos de datos, y los resultados muestran mejoras significativas en precisión y capacidades predictivas en comparación con el marco anterior basado en simpleRNN. El LSTM bidireccional captura con éxito patrones y dependencias subyacentes en los datos de carga eléctrica, logrando un rendimiento superior medido por métricas como el error cuadrático medio (RMSE) y el error absoluto medio (MAE). El marco propuesto supera a los modelos anteriores, logrando un RMSE notable, lo que atestigua su notable capacidad para predecir con precisión la carga inminente. Este estudio extendido contribuye al campo de la predicción de carga eléctrica al aprovechar las redes neuronales LSTM bidireccionales para mejorar la precisión de la predicción. Específicamente, el MAE de BiLSTM de 0,122 muestra una precisión notable, superando al RNN (0,163), LSTM (0,228) y GRU (0,165) en aproximadamente un 25%, 46% y 26%, respectivamente, en la mejor variación de todas las redes, en el paso de tiempo de 24 horas, mientras que el RMSE de BiLSTM de 0,022 es notablemente más bajo que el del RNN (0,033), LSTM (0,055) y GRU (0,033), respectivamente. Los hallazgos resaltan la importancia de incorporar memoria bidireccional y arquitecturas avanzadas de redes neuronales para una precisa predicción del consumo de energía. El marco propuesto de LSTM bidireccional tiene el potencial de facilitar una planificación de energía y gestión de mercado más eficientes, apoyando los procesos de toma de decisiones en los sistemas de energía.